Modele wielowymiarowe, ukarane

Jest to sposób wykorzystania modeli bayesowskich w ramach VAR. Przed Lasso najczęściej stosowaną metodą wyboru zmiennych do uwzględnienia była selekcja stopniowa. W tym czasie regresja grzbietowa była najpopularniejszą alternatywną techniką stosowaną do poprawy dokładności przewidywania. Regresja grzbietowa poprawia błąd przewidywania poprzez zmniejszanie dużych współczynników regresji w celu zmniejszenia nadmiernego dopasowania, ale nie dokonuje wyboru zmiennych i dlatego nie pomaga uczynić modelu bardziej interpretowalnym.

Siatka elastyczna jest metodą regresji, która liniowo łączy metody lasso i grzbietu (patrz poniżej). Zasadniczo metoda siatki sprężystej znajduje współczynniki regresji grzbietowej, a następnie wykonuje skurcz współczynników typu lasso.

Lasso, Least Absolute Shrinage and Selection Operator to najbardziej udane zastosowanie sztucznej inteligencji w ekonometrii. Lasso został wprowadzony w celu poprawy dokładności przewidywania i interpretacyjności modeli regresji poprzez zmianę procesu dopasowywania modelu, aby wybrać tylko podzbiór dostarczonych zmiennych niezależnych do wykorzystania w modelu końcowym, a nie używać ich wszystkich. Lasso wymusza ustawienie pewnych współczynników na zero, skutecznie wybierając prostszy model, który nie zawiera tych współczynników.

Modele korekty błędów wektorowych są przydatne dla zestawów danych o długoterminowych relacjach (zwanych również kointegracją). VECM są przydatne do szacowania zarówno krótkoterminowych, jak i długoterminowych skutków jednorazowych serii na inne. Termin korekta błędów odnosi się do faktu, że odchylenie ostatniego okresu od równowagi długoterminowej, błąd, wpływa na jego krótkoterminową dynamikę. Modele te szacują, oprócz długoterminowych relacji między zmiennymi, również bezpośrednio prędkość, z jaką zmienna zależna wraca do równowagi po zmianie innych zmiennych. Ta wersja jest połączona z Lasso, Minimalnym Absolutnym Skurczeniem i Operatorem Selection, co wymusza ustawienie pewnych współczynników na zero, skutecznie wybierając prostszy model, który nie zawiera tych współczynników.